Hadoop之AVRO
Avro是个支持多语言的数据序列化框架,支持c,c++,c#,python,java,php,ruby,java。他的诞生主要是为了弥补Writable只支持java语言的缺陷。
我们提供的服务有:网站建设、成都网站建设、微信公众号开发、网站优化、网站认证、克州ssl等。为上1000家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务,是有科学管理、有技术的克州网站制作公司
1AVRO简介
很多人会问类似的框架还有Thrift和Protocol,那为什么不使用这些框架,而要重新建一个框架呢,或者说Avro有哪些不同。首先,Avro和其他框架一样,数据是用与语言无关的schema描述的,不同的是Avro的代码生成是可选的,schema和数据存放在一起,而schema使得整个数据的处理过程并不生成代码、静态数据类型等,为了实现这些,需要假设读取数据的时候模式是已知的,这样就会产生紧耦合的编码,不再需要用户指定字段标识。
Avro的schema是JSON格式的,而编码后的数据是二进制格式(当然还有其他可选项)的,这样对于已经拥有JSON库的语言可以容易实现。
Avro还支持扩展,写的schema和读的schema不一定要是同一个,也就是说兼容新旧schema和新旧客户端的读取,比如新的schema增加了一个字段,新旧客户端都能读旧的数据,新客户端按新的schema去写数据,当旧的客户端读到新的数据时可以忽略新增的字段。
Avro还支持datafile文件,schema写在文件开头的元数据描述符里,Avro datafile支持压缩和分割,这就意味着可以做Mapreduce的输入。
2 Avro Schemas
2.1 Schema定义
Schema是JSON格式的,包括下面三种形式:
1.JSON string类型,主要是原生类型
2.JSON数组,主要是union
3.JSON对象,格式:
{"type": "typeName" ...attributes...}
包括除原生类型和union以外的其他类型,attributes可以包括avro未定义的属性,这些属性并不会影响数据的序列化。
2.2原生类型
总共8种原生类型null,boolean,int,long,float,double,bytes,strings.
1.原生类型不需要attributes
2.可以通过type指定“string” 和 {"type":"string"}是等同的
3.不同语言的实现是不同的,比如double类型,在C,C++和java里就是double,而在Python里是float,在Ruby里是Float.
2.3复合类型
1、records
records一般是序列化数据的最终展现单元,而且可以自己嵌套。
{ "type":"record", "name":"LongList", "aliases":["LinkedLongs"], "fields" : [ {"name":"value", "type": "long"}, {"name":"next", "type": ["LongList", "null"]} ] }
2、enums,枚举。
{ "type": "enum", "name":"Suit", "symbols" :["SPADES", "HEARTS", "DIAMONDS","CLUBS"] }
3、arrays,数组。
{"type": "array", "items":"string"}
4、maps
map,keys必须是string,所以这里只指定了values的类型
{"type": "map", "values": "long"}
5、unions
不能包含两个或者两个以上没有name属性的相同类型
["string", "null"]
6、fixed
size指定每个值占用多少个字节
{"type": "fixed", "size": 16,"name": "md5"}
2.4三种mapping
generic mapping
针对一种语言来说可能有不同的mapping,但是所有语言必须支持动态mapping,在处理之前并不知道schema
specific mapping
java和C++都可以事先生成源代码,比generic mapping有更多domain-oriented的api
reflect mapping
使用反射将avro类型转换成java类型,但这种mapping比前两种都慢,故弃用。
3 Avro序列化与反序列化
3.1准备工作
将一下schema保存成文件StringPair.avsc,放在src/test/resources目录下。
{ "type":"record", "name":"StringPair", "doc":"A pair ofstrings", "fields":[ {"name":"left","type":"string"}, {"name":"right","type":"string"} ] }
引入最新版本的avro时要主要,最新的avro包为1.7.4,依赖org.codehaus.jackson:jackson-core-asl:1.8.8包,但是maven库中已经没有该版本,所以要换成其他版本。
org.codehaus.jackson jackson-core-asl 1.9.9
如果你用的是1.0.4版本的hadoop(或者其他版本),依赖于jackson-mapper-asl,如果与jackson-core-asl版本不一致就会产生找不到方法等异常你需要入引入相同版本。
org.codehaus.jackson jackson-mapper-asl 1.9.9
3.2 generic方式
package com.sweetop.styhadoop; import junit.framework.Assert; import org.apache.avro.Schema; import org.apache.avro.generic.GenericData; import org.apache.avro.generic.GenericDatumReader; import org.apache.avro.generic.GenericDatumWriter; import org.apache.avro.generic.GenericRecord; import org.apache.avro.io.*; import org.junit.Test; import java.io.ByteArrayOutputStream; import java.io.File; import java.io.IOException; /** * Created with IntelliJ IDEA. * User: lastsweetop * Date: 13-8-5 * Time: 下午7:59 * To change this template use File| Settings | File Templates. */ public class TestGenericMapping { @Test public void test() throwsIOException { //将schema从StringPair.avsc文件中加载 Schema.Parser parser = newSchema.Parser(); Schema schema =parser.parse(getClass().getResourceAsStream("/StringPair.avsc")); //根据schema创建一个record示例 GenericRecord datum = newGenericData.Record(schema); datum.put("left","L"); datum.put("right","R"); ByteArrayOutputStream out =new ByteArrayOutputStream(); //DatumWriter可以将GenericRecord变成edncoder可以理解的类型 DatumWriterwriter = newGenericDatumWriter (schema); //encoder可以将数据写入流中,binaryEncoder第二个参数是重用的encoder,这里不重用,所用传空 Encoder encoder =EncoderFactory.get().binaryEncoder(out, null); writer.write(datum,encoder); encoder.flush(); out.close(); DatumReader reader=newGenericDatumReader (schema); Decoderdecoder=DecoderFactory.get().binaryDecoder(out.toByteArray(),null); GenericRecordresult=reader.read(null,decoder); Assert.assertEquals("L",result.get("left").toString()); Assert.assertEquals("R",result.get("right").toString()); } }
result.get返回的是utf-8格式,需要调用toString方法,才能和字符串一致。
3.3 specific方式
首先使用avro-maven-plugin生成代码,pom的配置。
org.apache.avro avro-maven-plugin 1.7.0 schemas generate-sources schema StringPair.avsc src/test/resources ${project.build.directory}/generated-sources/java
avro-maven-plugin插件绑定在generate-sources阶段,调用mvn generate-sources即可生成源代码,我们来看下生成的源代码:
package com.sweetop.styhadoop; /** * Autogenerated by Avro * * DO NOT EDIT DIRECTLY */ @SuppressWarnings("all") /** A pair of strings */ public class StringPair extendsorg.apache.avro.specific.SpecificRecordBase implementsorg.apache.avro.specific.SpecificRecord { public static finalorg.apache.avro.Schema SCHEMA$ = new org.apache.avro.Schema.Parser().parse("{\"type\":\"record\",\"name\":\"StringPair\",\"doc\":\"Apair ofstrings\",\"fields\":[{\"name\":\"left\",\"type\":\"string\",\"avro.java.string\":\"String\"},{\"name\":\"right\",\"type\":\"string\"}]}"); @Deprecated public java.lang.CharSequence left; @Deprecated public java.lang.CharSequenceright; public org.apache.avro.SchemagetSchema() { return SCHEMA$; } // Used by DatumWriter. Applications should not call. public java.lang.Object get(intfield$) { switch (field$) { case 0: return left; case 1: return right; default: throw neworg.apache.avro.AvroRuntimeException("Bad index"); } } // Used by DatumReader. Applications should not call. @SuppressWarnings(value ="unchecked") public void put(int field$,java.lang.Object value$) { switch (field$) { case 0: left =(java.lang.CharSequence) value$; break; case 1: right =(java.lang.CharSequence) value$; break; default: throw neworg.apache.avro.AvroRuntimeException("Bad index"); } } /** * Gets the value of the 'left'field. */ public java.lang.CharSequencegetLeft() { return left; } /** * Sets the value of the 'left'field. * * @param value the value toset. */ public voidsetLeft(java.lang.CharSequence value) { this.left = value; } /** * Gets the value of the 'right'field. */ public java.lang.CharSequencegetRight() { return right; } /** * Sets the value of the 'right'field. * * @param value the value toset. */ public voidsetRight(java.lang.CharSequence value) { this.right = value; } }
为了兼容之前的版本生成了一组get,put方法,1.6.0后生成添加了getter/setter方法,还有一个与Builder的类,没什么用已经被我删掉
schama里的name里可以使用命名空间,如com.sweetop.styhadoop.StringPair,这样生成的源代码才会是带package的。
那我们来看如果使用这个生成的类,和generic方式有什么不同:
package com.sweetop.styhadoop; import junit.framework.Assert; import org.apache.avro.Schema; import org.apache.avro.io.*; import org.apache.avro.specific.SpecificDatumReader; import org.apache.avro.specific.SpecificDatumWriter; import org.junit.Test; import java.io.ByteArrayOutputStream; import java.io.IOException; /** * Created with IntelliJ IDEA. * User: lastsweetop * Date: 13-8-6 * Time: 下午2:19 * To change this template use File| Settings | File Templates. */ public class TestSprecificMapping { @Test public void test() throwsIOException { //因为已经生成StringPair的源代码,所以不再使用schema了,直接调用setter和getter即可 StringPair datum=newStringPair(); datum.setLeft("L"); datum.setRight("R"); ByteArrayOutputStreamout=new ByteArrayOutputStream(); //不再需要传schema了,直接用StringPair作为范型和参数, DatumWriterwriter=newSpecificDatumWriter (StringPair.class); Encoder encoder=EncoderFactory.get().binaryEncoder(out,null); writer.write(datum,encoder); encoder.flush(); out.close(); DatumReader reader=newSpecificDatumReader (StringPair.class); Decoder decoder=DecoderFactory.get().binaryDecoder(out.toByteArray(),null); StringPairresult=reader.read(null,decoder); Assert.assertEquals("L",result.getLeft().toString()); Assert.assertEquals("R",result.getRight().toString()); } }
同点总结一下:
schema->StringPair.class, GenericRecord->StringPair。
4 AvroDatafile
4.1 datafile组成
datafile的组成如下图:
datafile分为文件头是数据块,如果看图还是不明白,那么看这个应该会很清楚,datafile文件头的schema:
{"type": "record", "name":"org.apache.avro.file.Header", "fields" : [ {"name":"magic", "type": {"type": "fixed","name": "Magic", "size": 4}}, {"name":"meta", "type": {"type": "map","values": "bytes"}}, {"name":"sync", "type": {"type": "fixed","name": "Sync", "size": 16}}, ] }
要注意的是16字节的同步标记,这个标记意味着datafile支持随机读,并且可以做分割,也意味着可以作为mapreduce的输入。
DataFileReader可以通过同步标记去随机读datafile文件。
void seek(long position) Move to a specific, known synchronization point, one returned fromDataFileWriter.sync() while writing. void sync(long position) Move to the next synchronization point after a position.
4.2 datafile写操作
以代码注释的方式进行讲解:
//首先创建一个扩展名为avro的文件(扩展名随意,这里只是为了容易分辨) File file = new File("data.avro"); //这行和前篇文章的代码一致,创建一个Generic Record的datum写入类 DatumWriterwriter = newGenericDatumWriter (schema); //和Encoder不同,DataFileWriter可以将avro数据写入到文件中 DataFileWriter dataFileWriter = new DataFileWriter (writer); //创建文件,并且写入头信息 dataFileWriter.create(schema,file); //写datum数据 dataFileWriter.append(datum); dataFileWriter.append(datum); dataFileWriter.close();
4.3 datafile读操作
以代码注释的方式进行讲解:
//这行也和前篇文章相同,Generic Record的datum读取类,有点不一样的就是这里不需要再传入schema,因为schema已经包含在datafile的头信息里:
DatumReaderreader=newGenericDatumReader (); //datafile文件的读取类,指定文件和datumreader DataFileReader dataFileReader=new DataFileReader (file,reader); //测试下读写的schema是否一致 Assert.assertEquals(schema,dataFileReader.getSchema()); //遍历GenericRecord for (GenericRecord record : dataFileReader){ System.out.println("left="+record.get("left")+",right="+record.get("right")); }
5 Avro schema兼容
5.1兼容条件
在实际的应用中,因为应用版本的问题经常遇到读和写的schema不相同的情况,幸运的是avro已经提供了相关的解决方案。
下面图示说明:
5.2 Record兼容
在hadoop的实际应用中,更多是以record的形式进行交互,接下来我们重点讲解下record的兼容。
首先从读写schema的角度取考虑,读写schema的不同无外乎就两种,读的schema比写的schema多了一个field,读的schema比写的schema少了一个field,这两种情况处理起来都很简单。
先看下写的schema:
{ "type":"record", "name":"com.sweetop.styhadoop.StringPair", "doc":"A pair ofstrings", "fields":[ {"name":"left","type":"string"}, {"name":"right","type":"string"} ] }
1、增加了field的情况
增加了field后的schema:
{ "type":"record", "name":"com.sweetop.styhadoop.StringPair", "doc":"A pair ofstrings", "fields":[ {"name":"left","type":"string"}, {"name":"right","type":"string"}, {"name":"description","type":"string","default":""} ] }
用增加了field的schema取读数据。
new GenericDatumReader
由于读的是avro datafile,schema已经在文件的头部指定,所以写的schema可以忽略掉。
@Test public void testAddField()throws IOException { //将schema从newStringPair.avsc文件中加载 Schema.Parser parser = newSchema.Parser(); Schema newSchema =parser.parse(getClass().getResourceAsStream("/addStringPair.avsc")); File file = new File("data.avro"); DatumReaderreader = newGenericDatumReader (null, newSchema); DataFileReader dataFileReader = newDataFileReader (file, reader); for (GenericRecord record :dataFileReader) { System.out.println("left=" + record.get("left") +",right=" + record.get("right") + ",description=" +record.get("description")); } }
输出结果为:
left=L,right=R,description= left=L,right=R,description=
description用默认值空字符串代替。
2、减少了field的情况
减少了field的schema:
{ "type":"record", "name":"com.sweetop.styhadoop.StringPair", "doc":"A pair ofstrings", "fields":[ {"name":"left","type":"string"} ] }
用减少了field的schema取读取:
@Test public void testRemoveField()throws IOException { //将schema从StringPair.avsc文件中加载 Schema.Parser parser = newSchema.Parser(); Schema newSchema = parser.parse(getClass().getResourceAsStream("/removeStringPair.avsc")); File file = newFile("data.avro"); DatumReaderreader = newGenericDatumReader (null, newSchema); DataFileReader dataFileReader = newDataFileReader (file, reader); for (GenericRecord record :dataFileReader) { System.out.println("left=" + record.get("left")); } }
输出结果为:
left=L left=L
删除的field被忽略掉。
3、新旧版本schema
如果从新旧版本的角度取考虑。
新版本schema比旧版本schema增加了一个字段
1.新版本取读旧版本的数据,使用新版本schema里新增field的默认值
2.旧版本读新版本的数据,新版本schema里新增field被旧版本的忽略掉
新版本schema比旧版半schema较少了一个字段
1.新版本读旧版本的数据,减少的field被新版本忽略掉
2.旧版本读新版本的数据,旧版本的schema使用起被删除field的默认值,如果没有就会报错,那么升级旧版本。
5.3别名
别名是另一个用于schema兼容的方法,可以将写的schema的field名字转换成读的schema的field,记住并不是加了aliases字段。
而是将写的filed的name属性变为aliases,读的时候只认name属性。
来看下加了别名的schema:
{ "type":"record", "name":"com.sweetop.styhadoop.StringPair", "doc":"A pair ofstrings", "fields":[ {"name":"first","type":"string","aliases":["left"]}, {"name":"second","type":"string","aliases":["right"]} ] }
使用别名schema去读数据,这里不能再用left,right,而要用first,second:
@Test public void testAliasesField()throws IOException { //将schema从StringPair.avsc文件中加载 Schema.Parser parser = newSchema.Parser(); Schema newSchema =parser.parse(getClass().getResourceAsStream("/aliasesStringPair.avsc")); File file = newFile("data.avro"); DatumReaderreader = newGenericDatumReader (null, newSchema); DataFileReader dataFileReader = new DataFileReader (file, reader); for (GenericRecord record :dataFileReader) { System.out.println("first=" +record.get("first")+",second="+record.get("second")); } }
输出结果为:
first=L,second=R first=L,second=R
网页名称:Hadoop之AVRO
分享链接:http://myzitong.com/article/jcgcps.html